KR102475552B1 - Vibration data forming apparatus and method, and computer readable medium storing the same - Google Patents

Vibration data forming apparatus and method, and computer readable medium storing the same Download PDF

Info

Publication number
KR102475552B1
KR102475552B1 KR1020210000360A KR20210000360A KR102475552B1 KR 102475552 B1 KR102475552 B1 KR 102475552B1 KR 1020210000360 A KR1020210000360 A KR 1020210000360A KR 20210000360 A KR20210000360 A KR 20210000360A KR 102475552 B1 KR102475552 B1 KR 102475552B1
Authority
KR
South Korea
Prior art keywords
data
information
vibration data
processors
vibration
Prior art date
Application number
KR1020210000360A
Other languages
Korean (ko)
Other versions
KR20220098542A (en
Inventor
양정희
이준모
Original Assignee
대우조선해양 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 대우조선해양 주식회사 filed Critical 대우조선해양 주식회사
Priority to KR1020210000360A priority Critical patent/KR102475552B1/en
Publication of KR20220098542A publication Critical patent/KR20220098542A/en
Application granted granted Critical
Publication of KR102475552B1 publication Critical patent/KR102475552B1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/10—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/30—Monitoring properties or operating parameters of vessels in operation for diagnosing, testing or predicting the integrity or performance of vessels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H5/00—Measuring propagation velocity of ultrasonic, sonic or infrasonic waves, e.g. of pressure waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

본 발명은 선박 내에 설치된 회전기기들의 고장 진단을 위한 진동 데이터 형성 장치 및 방법과, 그를 저장하는 컴퓨터 판독 가능한 기록 매체에 관한 것이다. 본 발명의 실시예에 따른 진동 데이터 형성 장치는, 선박용 기자재의 고장 특성을 포함하는 순수 진동 데이터를 나타내는 제1 정보, 선박 내에서 발생하는 잡음 데이터를 나타내는 제2 정보, 순수 진동 데이터 및 잡음 데이터가 병합된 진동 데이터를 나타내는 제3 정보를 각각 포함하는 하나 이상의 훈련 데이터를 획득하고, 하나 이상의 훈련 데이터에 기초하여, 신경망 모델을 훈련한다.The present invention relates to a vibration data forming apparatus and method for diagnosing failures of rotating machines installed in a ship, and a computer readable recording medium storing the same. A vibration data forming apparatus according to an embodiment of the present invention includes first information representing pure vibration data including failure characteristics of equipment for a ship, second information representing noise data generated in a ship, pure vibration data and noise data One or more pieces of training data each including third information representing the merged vibration data are obtained, and a neural network model is trained based on the one or more pieces of training data.

Description

진동 데이터 형성 장치 및 방법과, 그를 저장하는 컴퓨터 판독 가능한 기록 매체{VIBRATION DATA FORMING APPARATUS AND METHOD, AND COMPUTER READABLE MEDIUM STORING THE SAME}Vibration data forming apparatus and method, and computer readable recording medium for storing the same

본 발명은 진동 데이터 형성 장치 및 방법과, 그를 저장하는 컴퓨터 판독 가능한 기록 매체에 관한 것으로, 보다 구체적으로는 선박 내에 설치된 회전기기들의 고장 진단을 위한 진동 데이터 형성 장치 및 방법과, 그를 저장하는 컴퓨터 판독 가능한 기록 매체에 관한 것이다.The present invention relates to an apparatus and method for forming vibration data, and a computer readable recording medium storing the same, and more particularly, to an apparatus and method for forming vibration data for diagnosing failures of rotating machines installed in a ship, and a computer readable recording medium storing the same. It relates to possible recording media.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.An artificial intelligence (AI) system is a computer system that implements human-level intelligence, and unlike existing rule-based smart systems, machines learn, judge, and become smarter on their own. The more AI systems are used, the higher the recognition rate and the more accurate understanding of user preferences. Existing rule-based smart systems are gradually being replaced by Deep Learning-based AI systems.

인공지능 기술은 기계 학습(딥러닝) 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.Artificial intelligence technology consists of machine learning (deep learning) and element technologies using machine learning. Machine learning is an algorithm technology that classifies/learns the characteristics of input data by itself, and element technology is a technology that uses machine learning algorithms such as deep learning to mimic functions such as recognition and judgment of the human brain. It consists of technical fields such as understanding, inference/prediction, knowledge expression, and motion control.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.The various fields where artificial intelligence technology is applied are as follows. Linguistic understanding is a technology for recognizing and applying/processing human language/characters, including natural language processing, machine translation, dialogue systems, question and answering, voice recognition/synthesis, and the like. Visual understanding is a technology for recognizing and processing objects like human vision, and includes object recognition, object tracking, image search, person recognition, scene understanding, space understanding, image improvement, and the like. Inference prediction is a technique of reasoning and predicting logically by judging information, and includes knowledge/probability-based reasoning, optimization prediction, preference-based planning, and recommendation. Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data creation/classification) and knowledge management (data utilization). Motion control is a technology for controlling the autonomous driving of a vehicle and the movement of a robot, and includes motion control (navigation, collision, driving), manipulation control (action control), and the like.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 딥러닝의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.In general, in order to apply machine learning algorithms to real life, learning is performed in a trial and error method due to the nature of the basic methodology of machine learning. In particular, deep learning requires hundreds of thousands of iterations. It is impossible to execute this in an actual physical external environment, so instead, the actual physical external environment is virtually implemented on a computer and learning is performed through simulation.

회전기기는 고장 원인에 따라서 진동 데이터(특히, 주파수 스펙트럼 도메인)에서 고장 특성이 잘 나타나고, 고장 원인(부위)에 따른 진동 패턴의 특성은 이론적으로 정립되어 있다.Rotating machines show failure characteristics well in vibration data (particularly, in the frequency spectrum domain) according to the cause of failure, and the characteristics of the vibration pattern according to the cause (site) of failure are theoretically established.

이러한 고장 패턴을 이론화하여 전문가들은 회전기기의 고장 진단 시 참고하거나, 일부는 이를 알고리즘화하여 고장 진단 모델을 개발하여 회전기기의 상태를 진단하는 용도로 사용 중에 있다.By theorizing these failure patterns, experts refer to them when diagnosing failures of rotating machines, or some of them are used for the purpose of diagnosing the condition of rotating machines by developing fault diagnosis models by algorithmizing them.

고장 진단 모델을 구축하기 위해서는 진동 데이터가 필요하고, 현실적으로 다양한 진동 데이터를 센서를 통해 직접 수집하는 것에는 어려움이 있으며, 시간과 비용이 많이 소요된다.In order to build a fault diagnosis model, vibration data is required, and it is difficult to collect various vibration data directly through sensors in reality, and it takes a lot of time and money.

특히, 선박의 경우 이론상의 고장 진동 패턴과 달리, 많은 노이즈를 포함하고 있어 이러한 노이즈를 필터링 할 수 있는 기술에 대한 연구가 진행되고 있다.In particular, ships contain a lot of noise, unlike theoretical fault vibration patterns, and research on technology capable of filtering such noise is being conducted.

본 발명은 선박 내에 설치된 회전기기들의 고장 진단을 위한 진동 데이터 형성 장치 및 방법과, 그를 저장하는 컴퓨터 판독 가능한 기록 매체를 제공한다.The present invention provides a vibration data forming apparatus and method for diagnosing failures of rotating machines installed in a ship, and a computer readable recording medium storing the same.

본 발명의 실시예에 따른　진동 데이터 형성 장치는, 하나 이상의 프로세서; 상기 하나의 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령들이 저장된 하나 이상의 메모리를 포함하고, 상기 하나 이상의 프로세서는, 선박용 기자재의 고장 특성을 포함하는 순수 진동 데이터를 나타내는 제1 정보; 선박 내에서 발생하는 잡음 데이터를 나타내는 제2 정보; 상기 제1 정보 및 상기 제2 정보가 병합된 진동 데이터를 나타내는 제3 정보를 각각 포함하는 하나 이상의 훈련 데이터를 획득하고, 상기 하나 이상의 훈련 데이터에 기초하여, 신경망 모델을 훈련한다.An apparatus for forming vibration data according to an embodiment of the present invention may include one or more processors; and one or more memories storing instructions for causing the one or more processors to perform calculations when executed by the one or more processors, wherein the one or more processors may include a first vibration data representing pure vibration data including failure characteristics of marine equipment. 1 information; second information indicating noise data generated in the ship; One or more training data each including third information representing vibration data obtained by merging the first information and the second information is obtained, and a neural network model is trained based on the one or more training data.

또한, 상기 하나 이상의 프로세서는, 상기 제1 정보 및 상기 제2 정보를 상기 신경망 모델의 훈련을 위한 입력 데이터로서 입력 받고, 상기 제3 정보를 상기 신경망 모델의 훈련에 의해서 출력 데이터로서 출력할 수 있다.In addition, the one or more processors may receive the first information and the second information as input data for training the neural network model, and output the third information as output data by training the neural network model. .

또한, 상기 하나 이상의 프로세서는, 주파수 스펙트럼 데이터인 상기 제1 정보를 역푸리에 변환(Inverse Fourier Transform)하여 시계열 데이터로 변환하고, 상기 시계열 데이터에 상기 제2 정보를 병합한 후 푸리에 변환(Fourier Transform)하여 상기 제3 정보를 형성할 수 있다.In addition, the one or more processors transform the first information, which is frequency spectrum data, into time-series data by inverse Fourier transform, merge the second information with the time-series data, and then perform Fourier transform Thus, the third information may be formed.

또한, 상기 하나 이상의 프로세서는, 주파수 스펙트럼 데이터인 상기 제1 정보를 역 고속 푸리에 변환(Inverse Fast Fourier Transform)하여 시계열 데이터로 변환하고, 상기 시계열 데이터에 상기 제2 정보를 병합한 후 고속 푸리에 변환(Fast Fourier Transform)하여 상기 제3 정보를 형성할 수 있다.In addition, the one or more processors convert the first information, which is frequency spectrum data, into time-series data by inverse fast Fourier transform, combine the second information with the time-series data, and then fast Fourier transform ( Fast Fourier Transform) to form the third information.

또한, 상기 하나 이상의 프로세서는, 실제 선박용 기자재에서 측정된 진동 데이터를 입력 받아서 상기 제3 정보와의 비교를 통해 상기 실제 선박용 기자재의 상태 진단 데이터를 출력할 수 있다.In addition, the one or more processors may receive vibration data measured from actual ship equipment and output condition diagnosis data of the actual ship equipment through comparison with the third information.

본 발명의 다른 실시예에 따른 진동 데이터 형성 방법은, 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되기 위한 명령들이 저장된 하나 이상의 메모리를 포함하는 컴퓨터에서 수행되는 진동 데이터 형성 방법에 있어서, 상기 하나 이상의 프로세서가, 선박용 기자재의 고장 특성을 포함하는 순수 진동 데이터를 나타내는 제1 정보; 선박 내에서 발생하는 잡음 데이터를 나타내는 제2 정보; 상기 제1 정보 및 상기 제2 정보가 병합된 진동 데이터를 나타내는 제3 정보를 각각 포함하는 하나 이상의 훈련 데이터를 획득하는 단계; 및 상기 하나 이상의 프로세서가, 상기 하나 이상의 훈련 데이터에 기초하여, 신경망 모델을 훈련하는 단계를 포함한다.A vibration data forming method according to another embodiment of the present invention is performed by a computer including one or more processors and one or more memories storing instructions to be executed by the one or more processors, wherein the one or more First information representing pure vibration data including failure characteristics of marine equipment; second information indicating noise data generated in the ship; obtaining one or more pieces of training data each including third information indicating vibration data obtained by merging the first information and the second information; and training, by the one or more processors, a neural network model based on the one or more training data.

또한, 상기 하나 이상의 프로세서는, 상기 제1 정보 및 상기 제2 정보를 상기 신경망 모델의 훈련을 위한 입력 데이터로서 입력 받고, 상기 제3 정보를 상기 신경망 모델의 훈련에 의해서 출력 데이터로서 출력할 수 있다.In addition, the one or more processors may receive the first information and the second information as input data for training the neural network model, and output the third information as output data by training the neural network model. .

또한, 상기 하나 이상의 프로세서는, 주파수 스펙트럼 데이터인 상기 제1 정보를 역푸리에 변환(Inverse Fourier Transform)하여 시계열 데이터로 변환하고, 상기 시계열 데이터에 상기 제2 정보를 병합한 후 푸리에 변환(Fourier Transform)하여 상기 제3 정보를 형성할 수 있다.In addition, the one or more processors transform the first information, which is frequency spectrum data, into time-series data by inverse Fourier transform, merge the second information with the time-series data, and then perform Fourier transform Thus, the third information may be formed.

또한, 상기 하나 이상의 프로세서는, 주파수 스펙트럼 데이터인 상기 제1 정보를 역 고속 푸리에 변환(Inverse Fast Fourier Transform)하여 시계열 데이터로 변환하고, 상기 시계열 데이터에 상기 제2 정보를 병합한 후 고속 푸리에 변환(Fast Fourier Transform)하여 상기 제3 정보를 형성할 수 있다.In addition, the one or more processors convert the first information, which is frequency spectrum data, into time-series data by inverse fast Fourier transform, combine the second information with the time-series data, and then fast Fourier transform ( Fast Fourier Transform) to form the third information.

또한, 상기 하나 이상의 프로세서는, 실제 선박용 기자재에서 측정된 진동 데이터를 입력 받아서 상기 제3 정보와의 비교를 통해 상기 실제 선박용 기자재의 상태 진단 데이터를 출력할 수 있다.In addition, the one or more processors may receive vibration data measured from actual ship equipment and output condition diagnosis data of the actual ship equipment through comparison with the third information.

본 발명의 또 다른 실시예에 따른 컴퓨터 판독 가능한 기록 매체는, 전술한 진동 데이터 형성 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록될 수 있다.A computer readable recording medium according to another embodiment of the present invention may have a computer program recorded thereon to execute the vibration data forming method described above in a computer.

본 발명의 실시예들에 따르면, 선박 내의 회전기기들에 대한 진동 데이터를 실제 측정값을 이용하지 않고 인공지능 기술을 이용하여 생성하므로 진동 데이터 획득에 소요되는 시간 및 비용을 감소시킬 수 있고, 획득된 진동 데이터의 정확도를 향상시킬 수 있다.According to the embodiments of the present invention, since vibration data for rotating machines in a ship are generated using artificial intelligence technology without using actual measurement values, it is possible to reduce the time and cost required for obtaining vibration data, and to obtain The accuracy of the measured vibration data can be improved.

본 발명의 실시예에 따르면, 종래 노이즈를 필터링 하는 것과는 반대로, 이론상의 고장 진동 패턴에 실제 선박 내에서 발생하는 잡음 데이터를 병합하여 이를 학습모델에 사용하여 선박에서 사용가능한 기자재 상태 진단 모델 개발에 사용하기 위한 진동 데이터를 형성할 수 있다.According to an embodiment of the present invention, contrary to conventional noise filtering, noise data generated in an actual ship is merged with a theoretical failure vibration pattern and used in a learning model to develop a model for diagnosing the state of equipment usable in a ship. It is possible to form vibration data for

도　1은 본 발명의 실시예에 따른 진동 데이터 형성 시스템의 구성을 보이는 예시도이다.
도 2는 본 발명의 실시예에 따른 선박 내 회전기기에서 측정된 진동 데이터의 예시도이다.
도 3A 내지 도 3C는 본 발명의 실시예에 따른 순수 진동 데이터의 파형을 나타내는 예시도이다.
도 4는 본 발명의 실시예에 따라 형성된 진동 데이터의 예시도이다.
도 5는 본 발명의 실시예에 따른 진동 데이터 형성 장치의 구성을 보이는 예시도이다.
도 6은 본 발명의 실시예에 따른 진동 데이터 형성 방법의 절차를 보이는 흐름도이다.1 is an exemplary view showing the configuration of a vibration data forming system according to an embodiment of the present invention.
2 is an exemplary view of vibration data measured in a rotating device within a ship according to an embodiment of the present invention.
3A to 3C are exemplary diagrams illustrating waveforms of pure vibration data according to an embodiment of the present invention.
4 is an exemplary diagram of vibration data formed according to an embodiment of the present invention.
5 is an exemplary diagram showing the configuration of a vibration data forming apparatus according to an embodiment of the present invention.
6 is a flowchart showing a procedure of a vibration data forming method according to an embodiment of the present invention.

이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those skilled in the art can easily carry out the present invention. This invention may be embodied in many different forms and is not limited to the embodiments set forth herein.

이하, 첨부한 도면들을 참조하여, 본 발명의 실시예들을 설명한다. 첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지 않는다.Hereinafter, embodiments of the present invention will be described with reference to the accompanying drawings. In the accompanying drawings, identical or corresponding elements are given the same reference numerals. In addition, in the description of the following embodiments, overlapping descriptions of the same or corresponding components may be omitted. However, omission of a description of a component does not mean that such component is not included in any embodiment.

도　1은 본 발명의 실시예에 따른 진동 데이터 형성 시스템의 구성을 보이는 예시도이다.1 is an exemplary diagram showing the configuration of a vibration data forming system according to an embodiment of the present invention.

도　1에 도시한 바와 같이,　진동 데이터 형성 시스템(100)은 다수의 사용자 단말(110-1,…,110-n),　진동 데이터 형성 장치(120),　데이터베이스(130)　및 네트워크(N)를 포함할 수 있다.　일 실시예에 따르면,　데이터베이스(130)는 진동 데이터 형성 장치(120)와는 별도로 클라우드(Cloud)　환경에서 구현될 수도 있지만 이에 한정되지 않고,　데이터베이스(130)가 진동 데이터 형성 장치(120)내에 구비될 수도 있다.As shown in FIG. 1, the vibration data forming system 100 includes a plurality of user terminals 110-1, ..., 110-n, a vibration data forming device 120, a database 130, and a network N. can include According to an embodiment, the database 130 may be implemented in a cloud environment separately from the vibration data forming device 120, but is not limited thereto, and the database 130 may be provided in the vibration data forming device 120. may be

다수의 사용자 단말(110-1,…,110-n),　진동 데이터 형성 장치(120)　및 데이터베이스(130)는 네트워크(N)를 통하여 서로 통신 가능하도록 연결될 수 있다. 　다수의 사용자 단말(110-1,…,110-n)은,　선박 내에서 발생하는 잡음(노이즈) 데이터를 형성할 수 있다. 일 실시예에 따르면, 다수의 사용자 단말(110-1,…,110-n)은, 선박 내의 회전기기 주변을 포함한 다양한 위치에 설치된 센서로부터 시계열 데이터인 측정 데이터를 수신하여 잡음 데이터를 형성하여 저장할 수 있고, 실시간 또는 비 실시간으로 저장된 잡음 데이터를 네트워크(N)를 통하여 진동 데이터 형성 장치(120)　및/또는 데이터베이스(130)로 전송할 수 있다. 다른 실시예에 따르면, 다수의 사용자 단말(110-1,…,110-n)은 센서가 될 수 있다.The plurality of user terminals 110-1, ..., 110-n, the vibration data forming device 120, and the database 130 may be connected to communicate with each other through a network N. A plurality of user terminals 110-1, ..., 110-n may form noise (noise) data generated in a ship. According to an embodiment, the plurality of user terminals 110-1, ..., 110-n receive measurement data, which is time-series data, from sensors installed in various locations, including around rotating equipment in a ship, to form and store noise data. noise data stored in real time or non-real time may be transmitted to the vibration data forming device 120 and/or the database 130 through the network N. According to another embodiment, the plurality of user terminals 110-1, ..., 110-n may be sensors.

도 2는 본 발명의 실시예에 따른 실제 선박 내 회전기기에서 측정된 진동 데이터의 예시도이다.2 is an exemplary view of vibration data measured in a rotating device in an actual ship according to an embodiment of the present invention.

도 2에 도시한 바와 같이, 실제로 측정된 진동 데이터는 시간 도메인으로 표현된 시계열 진동 데이터(a) 및 주파수 도메인으로 표현된 주파수 스펙트럼 진동 데이터(b)를 포함할 수 있다.As shown in FIG. 2 , actually measured vibration data may include time-series vibration data (a) expressed in a time domain and frequency spectrum vibration data (b) expressed in a frequency domain.

진동 데이터 형성 장치(120)는, 선박용 기자재(회전기기)들의 고장 특성을 포함하는 순수 진동 데이터를 나타내는 제1 정보를 획득할 수 있다. 일 실시예에 따르면, 진동 데이터 형성 장치(120)는, 선박용 기자재들의 고장 특성에 대응하는 다양한 순수 진동 데이터를 외부로부터 네트워크(N)를 통하여 수신하여 제1 정보를 형성할 수 있다.The vibration data forming apparatus 120 may obtain first information representing pure vibration data including failure characteristics of ship equipment (rotating machines). According to an embodiment, the vibration data forming apparatus 120 may form first information by receiving various pure vibration data corresponding to failure characteristics of marine equipment from the outside through the network N.

도 3A 내지 도 3C는 본 발명의 실시예에 따른 순수 진동 데이터의 파형을 나타내는 예시도이다.3A to 3C are exemplary diagrams illustrating waveforms of pure vibration data according to an embodiment of the present invention.

도 3A는 선박용 기자재가 불평형 상태를 나타낼 경우의 순수 진동 데이터에 해당하고, 도 3B는 선박용 기자재의 베어링이 불량할 경우의 순수 진동 데이터에 해당하며, 도 3C는 선박용 기자재가 느슨할 경우의 순수 진동 데이터에 해당할 수 있지만, 순수 진동 데이터의 파형이 이에 한정되지 않는다.3A corresponds to pure vibration data when the ship equipment exhibits an unbalanced state, FIG. 3B corresponds to pure vibration data when the bearing of the ship equipment is defective, and FIG. 3C corresponds to pure vibration when the ship equipment is loose. data, but the waveform of pure vibration data is not limited thereto.

또한, 진동 데이터 형성 장치(120)는, 선박 내에서 발생하는 잡음 데이터를 나타내는 제2 정보를 획득할 수 있다. 일 실시예에 따르면, 진동 데이터 형성 장치(120)는, 다수의 사용자 단말(110-1,…,110-n)로부터 수신된 잡음 데이터를 이용하여 제2 정보를 형성할 수 있다.In addition, the vibration data forming apparatus 120 may obtain second information indicating noise data generated in the ship. According to an embodiment, the vibration data forming apparatus 120 may form second information by using noise data received from a plurality of user terminals 110-1 to 110-n.

또한, 진동 데이터 형성 장치(120)는, 순수 진동 데이터 및 잡음 데이터가 병합된 진동 데이터를 나타내는 제3 정보를 획득할 수 있다. 일 실시예에 따르면, 진동 데이터 형성 장치(120)는, 주파수 스펙트럼 데이터인 순수 진동 데이터를 역푸리에 변환(Inverse Fourier Transform)하여 시계열 데이터로 변환하고, 시계열 데이터에 잡음 데이터를 병합한 후 푸리에 변환(Fourier Transform)하여 진동 데이터를 이용하여 제3 정보를 형성할 수 있다.Also, the vibration data forming apparatus 120 may obtain third information representing vibration data obtained by merging pure vibration data and noise data. According to an embodiment, the vibration data forming apparatus 120 converts pure vibration data, which is frequency spectrum data, into time series data by inverse Fourier transform, merges noise data with the time series data, and then Fourier transforms ( Fourier Transform) and third information may be formed using the vibration data.

보다 구체적으로는, 도 4에 도시한 바와 같이, 진동 데이터 형성 장치(120)는, 주파수 도메인의 고장 이론 특성의 주파수 스펙트럼(순수 진동 데이터, a)을 역 고속 푸리에 변환(Inverse Fast Fourier Transform)하여 시계열 데이터(b)로 변환하고, 시계열 데이터(b)에 잡음 데이터(c)를 병합한 후 고속 푸리에 변환(Fast Fourier Transform)하여 진동 데이터(d)를 형성할 수 있다.More specifically, as shown in FIG. 4, the vibration data forming apparatus 120 performs an inverse fast Fourier transform on the frequency spectrum (pure vibration data, a) of the failure theory characteristics in the frequency domain. After transforming into time series data (b), merging noise data (c) with time series data (b), fast Fourier transform is performed to form vibration data (d).

또한, 진동 데이터 형성 장치(120)는, 인공지능(AI: Artificial Intelligence)을 이용한 심층학습(Deep Learning) 알고리즘 또는 빅데이터(Big Data)를 이용한 기계학습(Machine Learning) 알고리즘을 통하여 제1 정보 및 제2 정보로부터 제3 정보를 형성할 수도 있지만, 제3 정보 형성 방법이 이에 한정되지 않는다.In addition, the vibration data forming apparatus 120 uses a deep learning algorithm using artificial intelligence (AI) or a machine learning algorithm using big data to obtain first information and data. Although the third information may be formed from the second information, the method of forming the third information is not limited thereto.

또한, 진동 데이터 형성 장치(120)는, 인공지능을 이용한 심층학습 알고리즘 또는 빅데이터를 이용한 기계학습 알고리즘을 통하여, 도 2에 도시한 바와 같은 실제 선박 내 회전기기에서 측정된 진동 데이터를 입력 받아서 해당 진동 데이터에 대응하는 선박용 기자재의 상태 진단 데이터를 출력할 수 있다. 일 실시예에 따르면, 진동 데이터 형성 장치(120)는, 노이즈가 포함된 상태의 진동 데이터로부터 선박용 기자재의 불평형, 베어링 불량(Bearing fault), 느슨함(Looseness) 등의 상태 진단 데이터를 출력할 수 있다. 예를 들어, 선박용 기자재는 모터, 커플링, 축, 베어링, 원심펌프, 기어 등을 포함할 수 있지만, 선박용 기자재가 이에 한정되지 않는다.In addition, the vibration data forming apparatus 120 receives vibration data measured in an actual rotating machine in a ship as shown in FIG. 2 through a deep learning algorithm using artificial intelligence or a machine learning algorithm using big data, and receives corresponding State diagnosis data of ship equipment corresponding to vibration data can be output. According to an embodiment, the vibration data forming apparatus 120 may output state diagnosis data such as imbalance, bearing fault, and looseness of marine equipment from vibration data in a state including noise. have. For example, equipment for ships may include motors, couplings, shafts, bearings, centrifugal pumps, gears, etc., but equipment for ships is not limited thereto.

네트워크(N)는 다수의 사용자 단말(110-1,…,110-n),　진동 데이터 형성 장치(120)　및 데이터베이스(130)　등 간의 무선 또는 유선 통신을 수행할 수 있다.　　예를 들어,　네트워크(N)는　LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity),　블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System)　또는　GNSS(global navigation satellite system)　등의 방식에 따른 무선 통신을 수행할 수 있다.　예를 들어,　네트워크(N)는　USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232)　또는　POTS(plain old telephone service)　등의 방식에 따른 유선 통신을 수행할 수도 있다.The network N may perform wireless or wired communication between a plurality of user terminals 110-1, ..., 110-n, the vibration data forming device 120, and the database 130. For example, 　Network (N) is 　LTE (long-term evolution), LTE-A (LTE Advanced), CDMA (code division multiple access), WCDMA (wideband CDMA), WiBro (Wireless BroadBand), WiFi (wireless fidelity) , Bluetooth, near field communication (NFC), global positioning system (GPS), or global navigation satellite system (GNSS) may perform wireless communication. For example, the network N may perform wired communication according to a method such as a universal serial bus (USB), a high definition multimedia interface (HDMI), a recommended standard 232 (RS-232), or a plain old telephone service (POTS). may be

데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 사용자 단말(110-1,…,110-n) 또는 진동 데이터 형성 장치(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 선박용 기자재들의 고장 특성을 포함하는 순수 진동 데이터, 다수의 사용자 단말(110-1,…,110-n)로부터 수신된 잡음 데이터, 순수 진동 데이터 및 잡음 데이터가 병합된 진동 데이터 등을 저장할 수 있다.The database 130 may store various data. Data stored in the database 130 is obtained, processed, or used by at least one component of the plurality of user terminals 110-1, ..., 110-n or the vibration data forming device 120. As, it may include software (eg: program). Database 130 may include volatile and/or non-volatile memory. As an embodiment, the database 130 includes pure vibration data including failure characteristics of marine equipment, noise data received from a plurality of user terminals 110-1, ..., 110-n, pure vibration data and noise data. may store merged vibration data and the like.

본 발명에서, 프로그램은 데이터베이스(130)에 저장되는 소프트웨어로서, 진동 데이터 형성 장치(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 진동 데이터 형성 장치(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.In the present invention, the program is software stored in the database 130 so that an operating system, an application and/or an application for controlling the resources of the vibration data forming device 120 can utilize the resources of the vibration data forming device 120. It may include middleware that provides various functions to applications.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.In the present invention, artificial intelligence (AI) means a technology that imitates human learning ability, reasoning ability, perception ability, etc., and implements it with a computer, and may include concepts such as machine learning and symbolic logic. have. Machine learning (ML) is an algorithm technology that classifies or learns the characteristics of input data by itself. Artificial intelligence technology is a machine learning algorithm that analyzes input data, learns the result of the analysis, and can make judgments or predictions based on the result of the learning. In addition, technologies that mimic the functions of the human brain, such as recognition and judgment, using machine learning algorithms, can also be understood as artificial intelligence. For example, technical fields such as linguistic understanding, visual understanding, inference/prediction, knowledge expression, and motion control may be included.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화 해나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.Machine learning may refer to processing that trains a neural network model using experience of processing data. Through machine learning, computer software could mean improving its own data processing capabilities. A neural network model is constructed by modeling a correlation between data, and the correlation may be expressed by a plurality of parameters. The neural network model derives a correlation between data by extracting and analyzing features from given data, and optimizing the parameters of the neural network model by repeating this process can be referred to as machine learning. For example, a neural network model may learn a mapping (correlation) between an input and an output with respect to data given as an input/output pair. Alternatively, even when only input data is given, the neural network model may learn the relationship by deriving a regularity between given data.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.An artificial intelligence learning model or a neural network model may be designed to implement a human brain structure on a computer, and may include a plurality of network nodes having weights while simulating neurons of a human neural network. A plurality of network nodes may have a connection relationship between them by simulating synaptic activities of neurons that transmit and receive signals through synapses. In the artificial intelligence learning model, a plurality of network nodes can send and receive data according to a convolutional connection relationship while being located in layers of different depths. The artificial intelligence learning model may be, for example, an artificial neural network model, a convolutional neural network model (CNN), and the like. As an embodiment, the artificial intelligence learning model may be machine-learned according to methods such as supervised learning, unsupervised learning, and reinforcement learning. Machine learning algorithms for performing machine learning include Decision Tree, Bayesian Network, Support Vector Machine, Artificial Neural Network, Adaboost, and Perceptron. (Perceptron), genetic programming, clustering, etc. may be used.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.Of these, CNNs are a type of multilayer perceptrons designed to use minimal preprocessing. A CNN consists of one or several convolution layers and general artificial neural network layers on top, and additionally utilizes weights and pooling layers. Thanks to this structure, CNN can fully utilize the input data with a two-dimensional structure. Compared to other deep learning structures, CNN shows good performance in both video and audio fields. CNNs can also be trained via standard back-propagation. CNNs are easier to train than other feedforward artificial neural network techniques and have the advantage of using fewer parameters.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현 예가 사용될 수 있다.Convolutional networks are neural networks that contain sets of nodes with bound parameters. The increasing size of available training data and the availability of computational power, combined with algorithmic advances such as piecewise linear unit and dropout training, have greatly improved many computer vision tasks. With huge data sets, such as those available for many tasks today, overfitting is not critical, and increasing the size of the network improves test accuracy. Optimal use of computing resources becomes a limiting factor. To this end, a distributed, scalable implementation of deep neural networks can be used.

도 5는 본 발명의 실시예에 따른 진동 데이터 형성 장치의 구성을 보이는 예시도이다.5 is an exemplary diagram showing the configuration of a vibration data forming apparatus according to an embodiment of the present invention.

도 5에 도시한 바와 같이, 진동 데이터 형성 장치(120)는, 입력부(122), 하나 이상의 프로세서(124), 출력부(126) 및 하나 이상의 메모리를 포함할 수 있다. 일 실시예로서, 진동 데이터 형성 장치(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 진동 데이터 형성 장치(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 진동 데이터 형성 장치(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다. 일 실시예로서, 진동 데이터 형성 장치(120)는 기계 학습 특히, 딥러닝과 같은 심층 강화 학습 알고리즘을 이용하여 고장 특성을 포함하는 순수 진동 데이터를 나타내는 제1 정보, 선박 내에서 발생하는 잡음 데이터를 나타내는 제2 정보, 순수 진동 데이터 및 잡음 데이터가 병합된 진동 데이터를 나타내는 제3 정보를 각각 포함하는 하나 이상의 훈련 데이터를 획득하고, 획득된 하나 이상의 훈련 데이터를 이용하여 신경망 모델을 훈련시킬 수 있다.As shown in FIG. 5 , the vibration data forming apparatus 120 may include an input unit 122, one or more processors 124, an output unit 126, and one or more memories. As an example, at least one of these components of the vibration data forming device 120 may be omitted or another component may be added to the vibration data forming device 120 . Additionally or alternatively, some of the components may be integrated and implemented, or implemented as a singular or plural entity. At least some of the components inside and outside the vibration data forming apparatus 120 communicate with each other through a bus, general purpose input/output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI). Being connected, data and/or signals can be sent and received. As an embodiment, the vibration data forming apparatus 120 uses machine learning, in particular, a deep reinforcement learning algorithm such as deep learning to generate first information representing pure vibration data including failure characteristics and noise data generated in a ship. One or more training data each including second information indicating the second information and third information indicating the vibration data in which the pure vibration data and noise data are merged may be obtained, and the neural network model may be trained using the obtained one or more training data.

입력부(122)는, 선박용 기자재의 고장 특성을 포함하는 순수 진동 데이터를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(122)는, 선박용 기자재의 고장 특성을 나타내는 순수 진동 데이터를 저장하는 외부의 서버로부터 네트워크(N)를 통하여 순수 진동 데이터를 수신할 수 있다.The input unit 122 may receive input of pure vibration data including failure characteristics of ship equipment. According to an embodiment, the input unit 122 may receive pure vibration data from an external server storing pure vibration data representing failure characteristics of marine equipment through the network N.

또한, 입력부(122)는, 선박 내에서 발생하는 잡음 데이터를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(122)는, 다수의 사용자 단말(110-1,…,110-n)로부터 네트워크(N)를 통하여 잡음 데이터를 수신할 수 있다.Also, the input unit 122 may receive noise data generated in the ship. According to an embodiment, the input unit 122 may receive noise data from a plurality of user terminals 110-1, ..., 110-n through the network N.

프로세서(124)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(124)에 연결된 진동 데이터 형성 장치(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(124)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(124)는 데이터 등을 데이터베이스(130)로부터 로드하거나, 데이터베이스(130)에 저장할 수 있다. The processor 124 may control at least one component of the vibration data forming device 120 connected to the processor 124 by driving software (eg, instructions, programs, etc.). In addition, the processor 124 may perform operations such as various calculations, processing, data generation, and processing related to the present invention. Also, the processor 124 may load data from the database 130 or store data in the database 130 .

전술한 바와 같이, 프로세서(124)는 선박용 기자재의 고장 특성을 포함하는 순수 진동 데이터를 나타내는 제1 정보를 수신할 수 있다. 또한, 프로세서(124)는 선박 내에서 발생하는 잡음 데이터를 나타내는 제2 정보를 수신할 수 있다. 또한, 프로세서(124)는 제1 정보 및 제2 정보를 병합하여 제3 정보를 형성할 수 있다. 또한, 프로세서(124)는, 제1 정보, 제2 정보 및 제3 정보를 각각 포함하는 하나 이상의 훈련 데이터를 획득하고, 획득된 하나 이상의 훈련 데이터를 인공지능 기술의 기계 학습 알고리즘을 이용하여 신경망 모델을 훈련시킬 수 있다.As described above, the processor 124 may receive first information indicating pure vibration data including failure characteristics of marine equipment. Also, the processor 124 may receive second information indicating noise data generated in the ship. Also, the processor 124 may form third information by merging the first information and the second information. In addition, the processor 124 acquires one or more training data each including the first information, the second information, and the third information, and uses the acquired one or more training data as a neural network model using a machine learning algorithm of artificial intelligence technology. can be trained.

또한, 프로세서(124)는, 노이즈가 포함된 상태의 실제로 측정된 진동 데이터를 입력 받아서 진동 데이터에 대응하는 선박용 기자재의 상태 진단 데이터를 출력할 수 있다. 일 실시예에 따르면, 상태 진단 데이터는, 선박용 기자재의 불평형, 베어링 불량(Bearing fault), 느슨함(Looseness) 등을 포함할 수 있지만, 상태 진단 데이터가 포함하는 정보가 이에 한정되지 않는다.In addition, the processor 124 may receive vibration data actually measured in a state including noise and output condition diagnosis data of ship equipment corresponding to the vibration data. According to one embodiment, the condition diagnosis data may include unbalance, bearing fault, looseness, etc. of marine equipment, but the information included in the condition diagnosis data is not limited thereto.

하나 이상의 메모리는 다양한 데이터를 저장할 수 있다. 하나 이상의 메모리에 저장되는 데이터는, 진동 데이터 형성 장치(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 하나 이상의 메모리는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 하나 이상의 메모리에 저장되는 소프트웨어로서, 진동 데이터 형성 장치(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 진동 데이터 형성 장치(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.One or more memories may store various data. Data stored in one or more memories is data acquired, processed, or used by at least one component of the vibration data forming apparatus 120, and may include software (eg, commands, programs, etc.). The one or more memories may include volatile and/or non-volatile memory. In the present invention, commands or programs are software stored in one or more memories, and an operating system, application, and/or application for controlling the resources of the vibration data forming device 120 can utilize the resources of the vibration data forming device 120. It can include middleware that provides various functions to applications.

하나 이상의 메모리는 상술한 선박용 기자재들의 고장 특성을 포함하는 순수 진동 데이터, 다수의 사용자 단말(110-1,…,110-n)로부터 수신된 잡음 데이터, 순수 진동 데이터 및 잡음 데이터가 병합된 진동 데이터 등을 저장할 수 있다. 또한, 하나 이상의 메모리는, 프로세서(124)에 의한 실행 시, 프로세서(124)가 연산을 수행하도록 하는 명령들을 저장할 수 있다.One or more memories include pure vibration data including failure characteristics of the above-described marine equipment, noise data received from a plurality of user terminals 110-1, ..., 110-n, and vibration data obtained by merging the pure vibration data and noise data. etc. can be stored. Additionally, one or more memories may store instructions that, when executed by processor 124, cause processor 124 to perform operations.

일 실시예로서, 진동 데이터 형성 장치(120)는 출력부(126)를 더 포함할 수 있다. 출력부(126)는, 프로세서(124)에서 형성된 상태 진단 데이터를 사용자가 인식할 수 있는 형태로 표시할 수 있다.As one embodiment, the vibration data forming device 120 may further include an output unit 126 . The output unit 126 may display the state diagnosis data formed by the processor 124 in a form recognizable by a user.

일 실시예로서, 진동 데이터 형성 장치(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 진동 데이터 형성 장치(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 진동 데이터 형성 장치(120)는 전술한 장치들에 한정되지 않는다.As an example, the vibration data forming device 120 may be various types of devices. For example, the vibration data forming device 120 may be a portable communication device, a computer device, or a device according to a combination of one or more of the foregoing devices. The vibration data forming device 120 of the present invention is not limited to the above devices.

본 발명에 따른 진동 데이터 형성 장치(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 진동 데이터 형성 장치(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 진동 데이터 형성 장치(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 진동 데이터 형성 장치(120)의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.Various embodiments of the vibration data forming apparatus 120 according to the present invention may be combined with each other. Each embodiment may be combined according to the number of cases, and the embodiment of the vibration data forming device 120 made in combination also belongs to the scope of the present invention. In addition, internal/external components of the vibration data forming apparatus 120 according to the present invention described above may be added, changed, replaced, or deleted according to embodiments. In addition, internal/external components of the vibration data forming apparatus 120 described above may be implemented as hardware components.

도 6은 본 발명의 실시예에 따른 진동 데이터 형성 방법의 절차를 보이는 흐름도이다. 도 6의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.6 is a flowchart showing a procedure of a vibration data forming method according to an embodiment of the present invention. Although process steps, method steps, algorithms, etc. are described in a sequential order in the flowchart of FIG. 6, such processes, methods and algorithms may be configured to operate in any suitable order. In other words, the steps of the processes, methods and algorithms described in the various embodiments of the invention need not be performed in the order described herein. Also, although some steps are described as being performed asynchronously, in other embodiments some of these steps may be performed concurrently. Further, illustration of a process by depiction in the drawings does not mean that the illustrated process is exclusive of other changes and modifications thereto, and that any of the illustrated process or steps thereof may be one of various embodiments of the present invention. It is not meant to be essential to one or more, and it does not imply that the illustrated process is preferred.

도 6에 도시한 바와 같이, 단계(S610)에서, 고장 특성을 포함하는 순수 진동 데이터를 나타내는 제1 정보가 획득된다. 예를 들어, 도 1 내지 도 5를 참조하면, 진동 데이터 형성 장치(120)의 프로세서(124)는, 선박용 기자재의 고장 특성을 나타내는 순수 진동 데이터를 저장하는 외부의 서버로부터 네트워크(N)를 통하여 순수 진동 데이터를 수신하여 제1 정보를 획득할 수 있다.As shown in FIG. 6, in step S610, first information indicating pure vibration data including failure characteristics is obtained. For example, referring to FIGS. 1 to 5 , the processor 124 of the vibration data forming device 120 is configured to transmit pure vibration data representing failure characteristics of marine equipment from an external server through the network N. First information may be obtained by receiving pure vibration data.

단계(S620)에서, 선박 내에서 발생하는 잡음 데이터를 나타내는 제2 정보가 획득된다. 예를 들어, 도 1 내지 도 5를 참조하면, 진동 데이터 형성 장치(120)의 프로세서(124)는, 다수의 사용자 단말(110-1,…,110-n)로부터 네트워크(N)를 통하여 잡음 데이터를 수신하여 제2 정보를 획득할 수 있다.In step S620, second information indicating noise data generated in the ship is obtained. For example, referring to FIGS. 1 to 5, the processor 124 of the vibration data forming apparatus 120 generates noise from a plurality of user terminals 110-1, ..., 110-n through the network N. The second information may be obtained by receiving data.

단계(S630)에서, 순수 진동 데이터 및 잡음 데이터가 병합된 진동 데이터를 나타내는 제3 정보를 각각 포함하는 하나 이상의 훈련 데이터가 획득된다. 예를 들어, 도 1 내지 도 5를 참조하면, 진동 데이터 형성 장치(120)의 프로세서(124)는, 단계 (S610)에서 획득된 제1 정보 및 단계 (S620)에서 획득된 제2 정보를 병합하여 제3 정보를 형성할 수 있다.In step S630, one or more pieces of training data each including third information representing vibration data obtained by merging pure vibration data and noise data are obtained. For example, referring to FIGS. 1 to 5 , the processor 124 of the vibration data forming apparatus 120 merges the first information obtained in step S610 and the second information obtained in step S620. Thus, third information may be formed.

단계(S640)에서, 형성된 하나 이상의 훈련 데이터에 기초하여, 신경망 모델이 훈련된다. 예를 들어, 도 1 내지 도 5를 참조하면, 진동 데이터 형성 장치(120)의 프로세서(124)는, 단계 (S630)에서 형성된 하나 이상의 훈련 데이터를 이용하여 신경망 모델을 훈련시킬 수 있다. 일 실시예로서, 진동 데이터 형성 장치(120)의 프로세서(124)는, 하나 이상의 훈련 데이터 중 소정 비율의 훈련 데이터를 이용하여 신경망 모델을 훈련시킬 수 있지만, 이에 한정되지 않는다.In step S640, a neural network model is trained based on the formed one or more training data. For example, referring to FIGS. 1 to 5 , the processor 124 of the vibration data generating apparatus 120 may train a neural network model using one or more training data formed in step S630. As an embodiment, the processor 124 of the vibration data forming apparatus 120 may train a neural network model using a predetermined ratio of training data among one or more training data, but is not limited thereto.

본 발명의 다양한 실시예들은 기기(machine)가 읽을 수 있는 저장매체(machine-readable storage medium)에 소프트웨어로 구현될 수 있다. 소프트웨어는 본 발명의 다양한 실시예들을 구현하기 위한 소프트웨어일 수 있다. 소프트웨어는 본 발명이 속하는 기술분야의 프로그래머들에 의해 본 발명의 다양한 실시예들로부터 추론될 수 있다. 예를 들어 소프트웨어는 기기가 읽을 수 있는 명령어(예: 코드 또는 코드 세그먼트)를 포함하는 프로그램일 수 있다. 기기는 저장 매체로부터 호출된 명령어에 따라 동작이 가능한 장치로서, 예를 들어 컴퓨터일 수 있다. 일 실시예로서, 기기는 본 발명의 실시예들에 따른 진동 데이터 형성 장치(120)일 수 있다. 일 실시예로서, 기기의 프로세서는 호출된 명령어를 실행하여, 기기의 구성요소들이 해당 명령어에 해당하는 기능을 수행하게 할 수 있다. 일 실시예로서, 프로세서는 본 발명의 실시예들에 따른 프로세서(124)일 수 있다. 저장 매체는 기기에 의해 읽혀질 수 있는, 데이터가 저장되는 모든 종류의 기록 매체(recording medium)를 의미할 수 있다. 저장 매체는, 예를 들어 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장 장치 등을 포함할 수 있다. 일 실시예로서, 저장 매체는 데이터베이스(130)일 수 있다. 일 실시예로서, 저장 매체는 네트워크로 연결된 컴퓨터 시스템 등에 분산된 형태로서 구현될 수도 있다. 소프트웨어는 컴퓨터 시스템 등에 분산되어 저장되고, 실행될 수 있다. 저장 매체는 비일시적(non-transitory) 저장 매체일 수 있다. 비일시적 저장 매체는, 데이터가 반영구적 또는 임시적으로 저장되는 것과 무관하게 실재하는 매체(tangible medium)를 의미하며, 일시적(transitory)으로 전파되는 신호(signal)를 포함하지 않는다.Various embodiments of the present invention may be implemented as software in a machine-readable storage medium. The software may be software for implementing various embodiments of the present invention. Software can be inferred from various embodiments of the present invention by programmers skilled in the art. For example, software may be a program containing machine-readable instructions (eg, code or code segments). A device is a device capable of operating according to a command called from a storage medium, and may be, for example, a computer. As an embodiment, the device may be the vibration data forming device 120 according to embodiments of the present invention. As an example, a processor of a device may execute a called command to cause components of the device to perform a function corresponding to the command. As an example, the processor may be processor 124 according to embodiments of the invention. The storage medium may mean any type of recording medium in which data that can be read by a device is stored. The storage medium may include, for example, ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, and the like. As an example, the storage medium may be database 130 . As an example, the storage medium may be implemented in a distributed form such as a computer system connected through a network. The software may be distributed, stored, and executed on a computer system or the like. The storage medium may be a non-transitory storage medium. A non-transitory storage medium refers to a tangible medium regardless of whether data is stored semi-permanently or temporarily, and does not include a signal propagated temporarily.

이상, 본 발명을 도면에 도시된 실시예를 참조하여 설명하였다. 그러나, 본 발명은 이에 한정되지 않고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명과 균등한 범위에 속하는 다양한 변형예 또는 다른 실시예가 가능하다. 따라서, 본 발명의 진정한 보호범위는 이어지는 특허청구범위에 의해 정해져야 할 것이다.In the above, the present invention has been described with reference to the embodiments shown in the drawings. However, the present invention is not limited thereto, and various modifications or other embodiments belonging to the scope equivalent to the present invention can be made by those skilled in the art. Therefore, the true scope of protection of the present invention will be defined by the following claims.

100: 진동 데이터 형성 시스템 110-1,…,110-n: 사용자 단말
120: 진동 데이터 형성 장치 130: 데이터베이스
122: 입력부 124: 프로세서
126: 출력부 N: 네트워크100: vibration data forming system 110-1, . . . ,110-n: user terminal
120: vibration data forming device 130: database
122: input unit 124: processor
126: output N: network

Claims (11)

선박용 기자재의 고장 특성을 포함하는 진동 데이터를 인공지능 기술을 통해 생성하는 진동 데이터 형성 장치로서,
하나 이상의 프로세서; 및
상기 하나의 이상의 프로세서에 의한 실행 시, 상기 하나 이상의 프로세서가 연산을 수행하도록 하는 명령들이 저장된 하나 이상의 메모리를 포함하고,
상기 하나 이상의 프로세서는,
상기 선박용 기자재의 이론상 고장 특성을 표시하는 순수 진동 데이터를 나타내는 제1 정보;
실제 선박 내에서 발생하는 잡음 데이터를 나타내는 제2 정보; 및
상기 제1 정보 및 상기 제2 정보가 병합된 진동 데이터를 나타내는 제3 정보를 각각 포함하는 하나 이상의 훈련 데이터를 획득하고,
상기 하나 이상의 훈련 데이터에 기초하여, 신경망 모델을 훈련하며,
상기 하나 이상의 프로세서는,
실제 선박용 기자재에서 측정된 진동 데이터를 입력 받아, 훈련된 상기 신경망 모델에 의해, 상기 제3 정보와의 비교를 통해 상기 실제 선박용 기자재의 상태 진단 데이터를 출력하는,
진동 데이터 형성 장치.A vibration data forming device that generates vibration data including failure characteristics of marine equipment through artificial intelligence technology,
one or more processors; and
one or more memories storing instructions that, when executed by the one or more processors, cause the one or more processors to perform operations;
The one or more processors,
First information indicating pure vibration data indicating theoretical failure characteristics of the ship equipment;
Second information indicating noise data generated in an actual ship; and
Obtaining one or more training data each including third information representing vibration data in which the first information and the second information are merged;
Based on the one or more training data, train a neural network model;
The one or more processors,
Receiving vibration data measured from actual ship equipment and outputting condition diagnosis data of the actual ship equipment through comparison with the third information by the trained neural network model,
Vibration data forming device. 제 1 항에 있어서,
상기 하나 이상의 프로세서는,
상기 제1 정보 및 상기 제2 정보를 상기 신경망 모델의 훈련을 위한 입력 데이터로서 입력 받고, 상기 제3 정보를 상기 신경망 모델의 훈련에 의해서 출력 데이터로서 출력하는,
진동 데이터 형성 장치.According to claim 1,
The one or more processors,
Receiving the first information and the second information as input data for training of the neural network model, and outputting the third information as output data by training of the neural network model,
Vibration data forming device. 제 1 항에 있어서,
상기 하나 이상의 프로세서는,
주파수 스펙트럼 데이터인 상기 제1 정보를 역푸리에 변환(Inverse Fourier Transform)하여 시계열 데이터로 변환하고,
상기 시계열 데이터에 상기 제2 정보를 병합한 후 푸리에 변환(Fourier Transform)하여 상기 제3 정보를 형성하는,
진동 데이터 형성 장치.According to claim 1,
The one or more processors,
Converting the first information, which is frequency spectrum data, into time series data by inverse Fourier transform;
Forming the third information by merging the second information with the time series data and performing a Fourier Transform,
Vibration data forming device. 제 1 항에 있어서,
상기 하나 이상의 프로세서는,
주파수 스펙트럼 데이터인 상기 제1 정보를 역 고속 푸리에 변환(Inverse Fast Fourier Transform)하여 시계열 데이터로 변환하고,
상기 시계열 데이터에 상기 제2 정보를 병합한 후 고속 푸리에 변환(Fast Fourier Transform)하여 상기 제3 정보를 형성하는,
진동 데이터 형성 장치.According to claim 1,
The one or more processors,
Converting the first information, which is frequency spectrum data, into time series data by inverse fast Fourier transform;
Forming the third information by merging the second information with the time series data and performing a Fast Fourier Transform,
Vibration data forming device. 삭제delete 하나 이상의 프로세서 및 상기 하나 이상의 프로세서에 의해 실행되기 위한 명령들이 저장된 하나 이상의 메모리를 포함하는 컴퓨터에서 수행되고 선박용 기자재의 고장 특성을 포함하는 진동 데이터를 인공지능 기술을 통해 생성하는 진동 데이터 형성 방법에 있어서,
상기 하나 이상의 프로세서가, 상기 선박용 기자재의 이론상 고장 특성을 표시하는 순수 진동 데이터를 나타내는 제1 정보; 실제 선박 내에서 발생하는 잡음 데이터를 나타내는 제2 정보; 및 상기 제1 정보 및 상기 제2 정보가 병합된 진동 데이터를 나타내는 제3 정보를 각각 포함하는 하나 이상의 훈련 데이터를 획득하는 단계; 및
상기 하나 이상의 프로세서가, 상기 하나 이상의 훈련 데이터에 기초하여, 신경망 모델을 훈련하는 단계를 포함하고,
실제 선박용 기자재에서 측정된 진동 데이터를 입력 받아, 훈련된 상기 신경망 모델에 의해, 상기 제3 정보와의 비교를 통해 상기 실제 선박용 기자재의 상태 진단 데이터를 출력하는 단계를 더 포함하는,
진동 데이터 형성 방법.A method for generating vibration data through artificial intelligence technology, which is performed in a computer including one or more processors and one or more memories in which commands to be executed by the one or more processors are stored and generates vibration data including failure characteristics of marine equipment through artificial intelligence technology ,
First information indicating pure vibration data indicating theoretical failure characteristics of the ship equipment by the one or more processors; Second information indicating noise data generated in an actual ship; and acquiring one or more pieces of training data each including third information indicating vibration data obtained by merging the first information and the second information; and
training, by the one or more processors, a neural network model based on the one or more training data;
Further comprising the step of receiving vibration data measured from actual ship equipment and outputting condition diagnosis data of the actual ship equipment through comparison with the third information by the trained neural network model,
Vibration data formation method. 제 6 항에 있어서,
상기 하나 이상의 프로세서는,
상기 제1 정보 및 상기 제2 정보를 상기 신경망 모델의 훈련을 위한 입력 데이터로서 입력 받고, 상기 제3 정보를 상기 신경망 모델의 훈련에 의해서 출력 데이터로서 출력하는,
진동 데이터 형성 방법.According to claim 6,
The one or more processors,
Receiving the first information and the second information as input data for training of the neural network model, and outputting the third information as output data by training of the neural network model,
Vibration data formation method. 제 6 항에 있어서,
상기 하나 이상의 프로세서는,
주파수 스펙트럼 데이터인 상기 제1 정보를 역푸리에 변환(Inverse Fourier Transform)하여 시계열 데이터로 변환하고,
상기 시계열 데이터에 상기 제2 정보를 병합한 후 푸리에 변환(Fourier Transform)하여 상기 제3 정보를 형성하는,
진동 데이터 형성 방법.According to claim 6,
The one or more processors,
Converting the first information, which is frequency spectrum data, into time series data by inverse Fourier transform;
Forming the third information by merging the second information with the time series data and performing a Fourier Transform,
Vibration data formation method. 제 6 항에 있어서,
상기 하나 이상의 프로세서는,
주파수 스펙트럼 데이터인 상기 제1 정보를 역 고속 푸리에 변환(Inverse Fast Fourier Transform)하여 시계열 데이터로 변환하고,
상기 시계열 데이터에 상기 제2 정보를 병합한 후 고속 푸리에 변환(Fast Fourier Transform)하여 상기 제3 정보를 형성하는,
진동 데이터 형성 방법.According to claim 6,
The one or more processors,
Converting the first information, which is frequency spectrum data, into time series data by inverse fast Fourier transform;
Forming the third information by merging the second information with the time series data and performing a Fast Fourier Transform,
Vibration data formation method. 삭제delete 제 6 항 내지 제 9 항 중 어느 한 항에 따른 진동 데이터 형성 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된,　컴퓨터 판독 가능한 기록 매체.A computer readable recording medium in which a computer program for executing the method of forming vibration data according to any one of claims 6 to 9 in a computer is recorded.
KR1020210000360A 2021-01-04 2021-01-04 Vibration data forming apparatus and method, and computer readable medium storing the same KR102475552B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210000360A KR102475552B1 (en) 2021-01-04 2021-01-04 Vibration data forming apparatus and method, and computer readable medium storing the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210000360A KR102475552B1 (en) 2021-01-04 2021-01-04 Vibration data forming apparatus and method, and computer readable medium storing the same

Publications (2)

Publication Number Publication Date
KR20220098542A KR20220098542A (en) 2022-07-12
KR102475552B1 true KR102475552B1 (en) 2022-12-07

Family

ID=82420075

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210000360A KR102475552B1 (en) 2021-01-04 2021-01-04 Vibration data forming apparatus and method, and computer readable medium storing the same

Country Status (1)

Country Link
KR (1) KR102475552B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008227861A (en) * 2007-03-12 2008-09-25 Anritsu Corp Noise signal generator

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101732625B1 (en) * 2015-03-25 2017-05-04 삼성중공업 주식회사 Apparatus for diagnosing failure of equipments in a ship
KR102568410B1 (en) * 2018-04-10 2023-08-22 한국전자통신연구원 Artificial intelligence system including preprocessor unit for sorting valid data

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008227861A (en) * 2007-03-12 2008-09-25 Anritsu Corp Noise signal generator

Also Published As

Publication number Publication date
KR20220098542A (en) 2022-07-12

Similar Documents

Publication Publication Date Title
US10699195B2 (en) Training of artificial neural networks using safe mutations based on output gradients
CN112651511B (en) Model training method, data processing method and device
KR102593438B1 (en) Method and device for learning neural network
US11900645B2 (en) Systems and methods for modeling and controlling physical dynamical systems using artificial intelligence
US20220171907A1 (en) Creation of digital twin of the interaction among parts of the physical system
KR102548732B1 (en) Apparatus and Method for learning a neural network
US20220121934A1 (en) Identifying neural networks that generate disentangled representations
KR20190109121A (en) A Unified Deep Learning Model for Time Series Data Prediction
Ji et al. Model-free fault diagnosis for autonomous underwater vehicles using sequence convolutional neural network
Noureddine et al. An agent-based architecture using deep reinforcement learning for the intelligent internet of things applications
Mishra et al. Comprehensive and comparative analysis of neural network
KR102475552B1 (en) Vibration data forming apparatus and method, and computer readable medium storing the same
KR20220106347A (en) System and method for forming vibration image data, and computer-readable recording medium including the same
KR102474974B1 (en) Method, device and system for analyzing brand based on artificial intelligence
KR102546807B1 (en) Method, apparatus and system for providing nutritional information based on fecal image analysis
KR20210062794A (en) Apparatus and method for extracting composition of equipment, and fault diagnosis system including the same
KR20220037608A (en) SYSTEM AND METHOD FOR classification OF LIST AND COMPUTER-READABLE RECORDING MEDIUM THEREOF
KR20210115250A (en) System and method for hybrid deep learning
Akintayo et al. Hierarchical symbolic dynamic filtering of streaming non-stationary time series data
KR102561832B1 (en) Method, device and system for providing online education content based on artificial intelligence
KR20230085562A (en) System and method for digitalizing onboard voice and computer-readable recording medium including the same
KR102612058B1 (en) Method, device and system for operating smart factory through prediction of defect rate based on artificial intelligence model
Assani et al. A review of artificial neural networks applications in maritime industry
KR20210011811A (en) Apparatus and method for forming of curved surface by using machine learning and computer readable medium storing the same
KR102522634B1 (en) Methods, devices, and systems for automating maintenance operations of network equipment

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant